資源描述：
《樸素貝葉斯分類(lèi)matlab實(shí)現(xiàn)》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、實(shí)驗(yàn)二樸素貝葉斯分類(lèi)一、實(shí)驗(yàn)?zāi)康耐ㄟ^(guò)實(shí)驗(yàn)，加深對(duì)統(tǒng)計(jì)判決與概率密度估計(jì)基本思想、方法的認(rèn)識(shí)，了解影響B(tài)ayes分類(lèi)器性能的因素，掌握基于Bayes決策理論的隨機(jī)模式分類(lèi)的原理和方法。二、實(shí)驗(yàn)內(nèi)容設(shè)計(jì)Bayes決策理論的隨機(jī)模式分類(lèi)器，用matlab實(shí)現(xiàn)。三、方法手段Bayes分類(lèi)器的基本思想是依據(jù)類(lèi)的概率、概密，按照某種準(zhǔn)則使分類(lèi)結(jié)果從統(tǒng)計(jì)上講是最佳的。換言之，根據(jù)類(lèi)的概率、概密將模式空間劃分成若干個(gè)子空間，在此基礎(chǔ)上形成模式分類(lèi)的判決規(guī)則。準(zhǔn)則函數(shù)不同，所導(dǎo)出的判決規(guī)則就不同，分類(lèi)結(jié)果也不同。使用哪種準(zhǔn)則
2、或方法應(yīng)根據(jù)具體問(wèn)題來(lái)確定。四、Bayes算法樸素貝葉斯分類(lèi)或簡(jiǎn)單貝葉斯分類(lèi)的工作過(guò)程如下：（1）每個(gè)數(shù)據(jù)樣本用一個(gè)n維特征向量表示，分別描述對(duì)n個(gè)屬性A1,A2,…An樣本的n個(gè)度量。（2）假定有m個(gè)類(lèi)C1,C2,…Cm。給定一個(gè)未知的數(shù)據(jù)樣本X（即沒(méi)有類(lèi)標(biāo)號(hào)），分類(lèi)法將預(yù)測(cè)X屬于具有最高后驗(yàn)概率（條件X下）的類(lèi)。即是說(shuō)，樸素貝葉斯分類(lèi)將未知的樣本分配給類(lèi)Ci，當(dāng)且僅當(dāng)（2.1）這樣，最大化。其最大的類(lèi)Ci稱(chēng)為最大后驗(yàn)假定。根據(jù)貝葉斯定理，（2.2）（3）由于P(X)對(duì)于所有類(lèi)為常數(shù)，只需要最大即可。如果
3、類(lèi)的先驗(yàn)概率未知，則通常假定這些類(lèi)是等概率的，即P(C1)=P(C2)=…=P(Cm)。并據(jù)此只對(duì)最大化。否則，最大化。注意，類(lèi)的先驗(yàn)概率可以用計(jì)算其中si是類(lèi)Ci中的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。（4）給定具有許多屬性的數(shù)據(jù)集，計(jì)算的開(kāi)銷(xiāo)可能非常大。為降低計(jì)算的開(kāi)銷(xiāo)，可以做類(lèi)條件獨(dú)立的樸素假定。給定樣本的類(lèi)標(biāo)號(hào)，假定屬性值相互條件獨(dú)立，即在屬性間，不存在依賴(lài)關(guān)系。這樣，（2.3）概率，，…可以由訓(xùn)練樣本估值，其中1）如果Ak是分類(lèi)屬性，則，其中sik是在屬性Ak上具有值xk的類(lèi)Ci的樣本數(shù)，而si是Ci
4、中的訓(xùn)練樣本數(shù)。2）如果Ak是連續(xù)值屬性，則通常假定該屬性服從高斯分布，因而，（2.4）其中，給定類(lèi)Ci的訓(xùn)練樣本屬性Ak的值，是屬性Ak的高斯密度函數(shù)，而分別為平均值和標(biāo)準(zhǔn)差。（5）為對(duì)未知樣本X分類(lèi)，對(duì)每個(gè)類(lèi)Ci，計(jì)算。樣本X被指派到類(lèi)Ci，當(dāng)且僅當(dāng)換言之，X被指派到其最大的類(lèi)Ci。例使用樸素貝葉斯分類(lèi)預(yù)測(cè)類(lèi)標(biāo)號(hào)：RIDAgeIncomeStudentCredit_ratingClass:buys_computer1<=30HighNoFairNo2<=30HighNoExcellentNo331…40
5、HighNoFairYes4>40MediumNoFairYes5>40LowYesFairYes6>40LowYesExcellentNo731…40LowYesExcellentYes8<=30MediumNoFairNo9<=30LowYesFairYes10>40MediumYesFairYes11<=30MediumYesExcellentYes1231…40MediumNoExcellentYes1331…40HighYesFairYes14>40MediumNoExcellentNo給定與判定
6、樹(shù)歸納相同的訓(xùn)練數(shù)據(jù)，我們希望使用樸素貝葉斯分類(lèi)預(yù)測(cè)一個(gè)未知樣本的類(lèi)標(biāo)號(hào)。訓(xùn)練數(shù)據(jù)在表7.1中。數(shù)據(jù)樣本用屬性age，income，student和credit_rating描述。類(lèi)標(biāo)號(hào)屬性buys_computer具有兩個(gè)不同值（即（yes,no））。設(shè)C1對(duì)應(yīng)于類(lèi)buys_computer=“yes”，而C2對(duì)應(yīng)于類(lèi)buys_computer=“no”。我們希望分類(lèi)的樣本為我們需要最大化，i=1,2。每個(gè)類(lèi)的先驗(yàn)概率P(Ci)可以根據(jù)訓(xùn)練樣本計(jì)算：P(buys_computer=”yes”)=9/14=
7、0.643P(buys_computer=”no”)=5/14=0.357為計(jì)算，i=1,2，我們計(jì)算下面的條件概率：P(age=”<30”
8、buys_computer=”yes”)=2/9=0.222P(age=”<30”
9、buys_computer=”no”)=3/5=0.222P(income=”medium”
10、buys_computer=”yes”)=4/9=0.444P(income=”medium”
11、buys_computer=”no”)=2/5=0.400P(student=”yes”
12、buy
13、s_computer=”yes”)=6/9=0.667P(student=”yes”
14、buys_computer=”no”)=1/5=0.200P(credit_rating=”fair”
15、buys_computer=”yes”)=6/9=0.667P(credit_rating=”fair”
16、buys_computer=”no”)=2/5=0.400使用以上概率，我們得到：P(X
17、buys_computer=”
